Résumé:
Les données collectées lors de l'observation d'un phénomène ou mesurées sur un système physique ne sont pas toutes aussi informatives : certaines variables peuvent correspondre à du bruit, être peu significatives, corrélées ou non pertinentes, ce qui influs considérablement sur leur classification. La sélection de variables est donc un problème complexe et fait l'objet de recherches dans de nombreuses disciplines. La sélection de variables est étudiée depuis une dizaine d'années et un certain nombre de méthodes ont émergé. Dans le présent travail nous exposons une nouvelle stratégie de classification hybride utilisant les réseaux de neurones et les réseaux bayésiens avec deux approches d’étude, appelées approche amont et approche aval, tel que le premier algorithme est un optimisateur de la base de donnée en éliminant le bruit des descripteurs non pertinents utilisant une méthode de sélection de variables, et le deuxième algorithme pour une meilleure classification des données résultantes de la première étape. Pour ce faire, nous employons deux méthodes connues de sélection de variable et nous proposons une nouvelle méthode couplée avec l’algorithme du réseau de neurones que nous baptisons MOYVAR. Pour s’assurer de l’exactitude des résultats, nous utilisons trois techniques d’évaluation de la classification a savoir : la technique classique apprentissage-test et les deux techniques de ré-échantillonnage le bootstrap 632+ et la validation croisée.
Enfin, le travail que nous présentons dans ce mémoire représente un créneau de recherche scientifique évolutif et présente des intérêts forts intéressants pour les systèmes décisionnels dans une perspective de régularisation d’un problème mal posé ou bien pour une amélioration effective de la classification notamment dans les domaines ou la prédiction pèse grand dans le comportement d’une société.
